流行的数据采集工具(流行的数据采集工具有哪些)(2)

　　Flume客户端负责在事件产生的源头把事件发送给Flume的Agent。客户端通常和产生数据源的应用在同一个进程空间。常见的Flume客户端有Avro，log4J，syslog和HTTP Post。另外ExecSource支持指定一个本地进程的输出作为Flume的输入。当然很有可能，以上的这些客户端都不能满足需求，用户可以定制的客户端，和已有的FLume的Source进行通信，或者定制实现一种新的Source类型。

　　同时，用户可以使用Flume的SDK定制Source和Sink。似乎不支持定制的Channel。

　　2、Fluentd

　　官网：

　　Fluentd是另一个开源的数据收集框架。Fluentd使用C/Ruby开发，使用JSON文件来统一日志数据。它的可插拔架构，支持各种不同种类和格式的数据源和数据输出。最后它也同时提供了高可靠和很好的扩展性。Treasure Data, Inc 对该产品提供支持和维护。

　　Fluentd的部署和Flume非常相似：

　　Fluentd的架构设计和Flume如出一辙：

　　Fluentd的Input/Buffer/Output非常类似于Flume的Source/Channel/Sink。

　　Input

　　Input负责接收数据或者主动抓取数据。支持syslog，http，file tail等。

　　Buffer

　　Buffer负责数据获取的性能和可靠性，也有文件或内存等不同类型的Buffer可以配置。

　　Output

　　Output负责输出数据到目的地例如文件，AWS S3或者其它的Fluentd。

　　Fluentd的配置非常方便，如下图：

　　Fluentd的技术栈如下图：

　　FLuentd和其插件都是由Ruby开发，MessgaePack提供了JSON的序列化和异步的并行通信RPC机制。

　　Cool.io是基于libev的事件驱动框架。

　　FLuentd的扩展性非常好，客户可以自己定制(Ruby)Input/Buffer/Output。

　　Fluentd从各方面看都很像Flume，区别是使用Ruby开发，Footprint会小一些，但是也带来了跨平台的问题，并不能支持Windows平台。另外采用JSON统一数据/日志格式是它的另一个特点。相对去Flumed，配置也相对简单一些。

　　3、Logstash

　　https://github.com/elastic/logstash

　　Logstash是著名的开源数据栈ELK (ElasticSearch, Logstash, Kibana)中的那个L。

　　Logstash用JRuby开发，所有运行时依赖JVM。

　　Logstash的部署架构如下图，当然这只是一种部署的选项。

　　一个典型的Logstash的配置如下，包括了Input，filter的Output的设置。

　　几乎在大部分的情况下ELK作为一个栈是被同时使用的。所有当你的数据系统使用ElasticSearch的情况下，logstash是首选。

　　4、Chukwa

　　官网：https://chukwa.apache.org/

　　Apache Chukwa是apache旗下另一个开源的数据收集平台，它远没有其他几个有名。Chukwa基于Hadoop的HDFS和Map Reduce来构建(显而易见，它用Java来实现)，提供扩展性和可靠性。Chukwa同时提供对数据的展示，分析和监视。很奇怪的是它的上一次github的更新事7年前。可见该项目应该已经不活跃了。

　　Chukwa的部署架构如下：

　　Chukwa的主要单元有：Agent，Collector，DataSink，ArchiveBuilder，Demux等等，看上去相当复杂。由于该项目已经不活跃，我们就不细看了。

　　5、Scribe

　　代码托管：https://github.com/facebookarchive/scribe

　　Scribe是Facebook开发的数据(日志)收集系统。已经多年不维护，同样的，就不多说了。

　　6、Splunk Forwarder

　　官网：

　　以上的所有系统都是开源的。在商业化的大数据平台产品中，Splunk提供完整的数据采金，数据存储，数据分析和处理，以及数据展现的能力。

　　Splunk是一个分布式的机器数据平台，主要有三个角色：

　　Search Head负责数据的搜索和处理，提供搜索时的信息抽取。

　　Indexer负责数据的存储和索引

　　Forwarder，负责数据的收集，清洗，变形，并发送给Indexer

　　Splunk内置了对Syslog，TCP/UDP，Spooling的支持，同时，用户可以通过开发Script Input和Modular Input的方式来获取特定的数据。在Splunk提供的软件仓库里有很多成熟的数据采集应用，例如AWS，数据库(DBConnect)等等，可以方便的从云或者是数据库中获取数据进入Splunk的数据平台做分析。

　　这里要注意的是，Search Head和Indexer都支持Cluster的配置，也就是高可用，高扩展的，但是Splunk现在还没有针对Farwarder的Cluster的功能。也就是说如果有一台Farwarder的机器出了故障，数据收集也会随之中断，并不能把正在运行的数据采集任务Failover到其它的Farwarder上。

　　总结

　　我们简单讨论了几种流行的数据收集平台，它们大都提供高可靠和高扩展的数据收集。大多平台都抽象出了输入，输出和中间的缓冲的架构。利用分布式的网络连接，大多数平台都能实现一定程度的扩展性和高可靠性。

　　其中Flume，Fluentd是两个被使用较多的产品。如果你用ElasticSearch，Logstash也许是首选，因为ELK栈提供了很好的集成。Chukwa和Scribe由于项目的不活跃，不推荐使用。

　　Splunk作为一个优秀的商业产品，它的数据采集还存在一定的限制，相信Splunk很快会开发出更好的数据收集的解决方案。

　　End.

红色染指甲款式流行(小的红染指甲)

流行的数据采集工具(流行的数据采集工具有哪些)

女靴黑色时尚(黑色的女鞋)